Analyse de l’expression des gènes = le Transcriptome. C’est une grandeur dynamique.

• Technologie à haut débit précédente: les Puces à ADN.
• Technologie basée sur le NGS: Le RNA-seq.

Beaucoup d’outils sont communs à ces technologies.

Le NGS appliqué à l’analyse du transcriptome permet:

• Une meilleure concordance entre plateformes
• Une forte sensibilité et meilleure dynamique
• Toutes espèces, toutes régions transcrites
• Une variété d’applications (Analyse diférentielle, analyse de l’épissage alternatif, analyse des gènes de fusion, séquençage de novo)

Mais…: Complexité et coût calculatoire accrus = pipeline bioinformatique plus complexe par rapport aux microarrays.

L’analyse bioinformatique fait partie intégrante du processus de traitement.

• Assemblage de transcriptome de novo
• Analyse de l’épissage alternatif
• Découverte des gènes de fusion
• Découverte de nouvelles classes (exemple: sous type moléculaire de tumeurs) (analyse non supervisée)
• Analyse différentielle: C’est cette application que nous allons décrire ici.

Source: Wikipedia

• Séquençage
• Contrôle qualité
• Alignement sur génome de référence
• Quantification des valeurs d’expression (comptage) et normalisation
• Analyse différentielle entre conditions expérimentales
• Visualisation des données (“diagrammes de chaleur”, “volcano plots”).
• Analyse fonctionnelle des gènes (“Enrichment Analysis”)

• Contrôle qualité: FASTQC (Linux)
• Trimming: Trimmomatic (Linux)
• Alignement: STAR (Linux)
• Quantification des valeurs d’expression (comptage): featurecount (Linux)
• Analyse différentielle entre conditions expérimentales: EdgeR (R/BioConductor)
• Visualisation des données: ggplot (R/BioConductor)
• Analyse fonctionnelle des gènes: EnrichR, GSEA, …(R/BioConductor)

Il est avantageux d’obtenir des fragments de lecture les plus longs possible pour un alignement le plus fiable possible.

• Lors d’un séquençage simple (Single-end), les brins sont séquencés en partant d’un unique adaptateur. Un read correspond donc ensuite à un fragment.

• Lors d’un séquençage appairé (Paired-end), les brins sons séquencés à partir de leur deux extrémités. Les fragment résultats sont appelés R1 et R2 et sont liés, qu’ils soient recouvrant ou pas.

Un site expliquant cela de manière intéressante:

http://thegenomefactory.blogspot.com/2013/08/paired-end-read-confusion-library.html

Ils contiennent les reads: petite séquence d’un fragment d’ADN de longueurs plus ou moins fixe.

• Single-end : Chaque read est indépendant et l’ensemble des reads sont stockés dans un fichier Fastq.
• Paired-end: Dans ce cas, les reads sont organisés par paires dans deux fichiers Fastq.

@HWI-ST865:166:D0C4KACXX:2:1101:1042:1954 1:Y:0:
CNANAAATNAANNNNGNNNNNNNNNANNNNNAAANNNTNNNNNNNNNTNNTGNNNNTTGTTTNNTTGTGGGTTTCTCTGTCCCCN
+
#####################################################################################
@HWI-ST865:166:D0C4KACXX:2:1101:1241:1970 1:N:0:
CCAGCGACACTTGCAGCTTAGGGGCAAGAGGCTCCCACAACACCCTGTGCGATCGGAAGAGCGGTTCAGCAGGGATGCCGCGGCC
+
GFFIGIIIFGEHHIJJJIIGGGHIIBD=BFG?EDECC@FGCHC?BCCBB)53(;;B;?8299?######################

Il est important de stocker les données dans un emplacement fiable, avec beaucoup de mémoire vive et d’espace disponible, et accessible par un réseau rapide (Bref, un serveur de stockage).

Pour le traitement des données, un cluster de calcul sous Linux est idéal.

Il existe également des logiciels commerciaux sous Windows.

IGV (Integrated Genomics Viewer) est un explorateur de génome. Il permet de visualiser de l’information génomique le long du ou des chromosomes de l’organisme que nous sommes en train d’étudier.

• La première étape est de choisir un génome de référence (Exemple: hg19 ou mm10).
• Une boite permet de situer la position actuellement visualisée sur le chromosome.
• Les informations correspondant à chaque échantillon sont présentées sous forme de pistes (tracks).
• Les gènes sont affichés dans leur propre piste (annotation) avec les exons et introns. Il est possible d’afficher les transcrits individuellement.
• Plusieurs types de signaux peuvent être affichés (fragments de lecture, segments CGH, couverture, etc…).

STAR est un aligneur extrêmement précis qui peut dépasser certains aligneurs par un facteur 50 de vitesse. Par contre, il est très gourmand en mémoire.

Son principe de fonctionnement est basé sur deux étapes principales:

• Recherche de graines par alignement partiel des reads (seeds)
• Groupement (clustering), agrafage et calcul de score

Source: https://hbctraining.github.io/Intro-to-rnaseq-hpc-O2/lessons/03_alignment.html

Alignement, Groupement, Agrafage et Calcul de score. Les graines séparées sont groupées et agrafées sur la base sur leur proximité avec un site donneur pour créer un read complet.

Les annotations du génome de référence sont disponibles sous forme de fichiers GFF/GTF ou BED auprès de Ensembl (BioMart - https://www.ensembl.org/info/data/ftp/index.html) ou NCBI (https://www.ncbi.nlm.nih.gov/refseq/).

#!genome-build GRCh38.p13
#!genome-version GRCh38
#!genome-date 2013-12
#!genome-build-accession NCBI:GCA_000001405.28
#!genebuild-last-updated 2019-06
1   havana  gene    11869   14409   .   +   .   gene_id "ENSG00000223972"; gene_version "5"; gene_name "DDX11L1"; gene_source "havana"; gene_biotype "transcribed_unprocessed_pseudogene";
1   havana  transcript  11869   14409   .   +   .   gene_id "ENSG00000223972"; gene_version "5"; transcript_id "ENST00000456328"; transcript_version "2"; gene_name "DDX11L1"; gene_source "havana"; gene_biotype "transcribed_unprocessed_pseudogene"; transcript_name "DDX11L1-202"; transcript_source "havana"; transcript_biotype "lncRNA"; tag "basic"; transcript_support_level "1";

• Sous l’hypothèse que le nombre de reads venant d’un certain gène est proportionnel à l’abondance de son ARN dans la cellule, on compte les reads venant de chaque gène, transcrit ou exon du génome.

• Il est possible de faire un script ‘maison’ mais il existe maintenant un grand nombre de programmes pour faire cette fonction, notamment featureCount de la suite logicielle SubRead.

• Les localisations génomiques des objets génomiques (genome features) sont données en entrée du programme de comptage (Fichier d’annotation GTF/GFF), permettant d’assigner les comptages à chaque transcrit, gene, ou exon.

featureCounts permet de compter les fragments de lecture correspondant à chaque gène et d’obtenir un tableau récapitulatif pour l’ensemble de nos échantillons.

featureCounts du package subRead permet de faire ce comptage à partir des fichiers BAM résultants de l’alignement de séquences par STAR et un fichier d’annotation de génome au format GFF.

Il est possible de travailler en mode PE (Paired-End) ou SE (Single-End). Il n’est pas obligatoire de trier les BAM avant de les donner à featureCounts.

Les fragments de lecture sont assignés à des attributs (feature) ou des meta-attributs (meta-features). Il y a donc 2 modes.

• Les attributs (features) correspondent à une zone contiguë de l’ADN, par exemple un exon.

• Les meta-attributs (meta-features) correspondent à un objet biologique résultant de l’assemblage de plusieurs attributs (les gènes)

featureCounts peut compter au niveau des exons ou des gènes. Il est recommandé d’utiliser des identifiants uniques pour les meta-attributs, comme par exemple les geneID du NCBI, et d’éviter les noms de gènes.

Pour les alignements multiples, featureCounts peut les traiter de 3 manières:

• Les ignorer (Défaut pour la version bash)
• Les compter plusieurs fois
• Les compter plusieurs fois mais avec une contribution calculée en fraction (\(1/n\), \(n\) étant le nombre de fois ou le read apparaît).

Pour les alignements recouvrants plusieurs attributs, featureCounts peut les traiter de 2 manières:

• Les ignorer (Recommandé pour le RNA-seq)
• Les compter pour chaque attribut

featureCounts permet de compter les reads au niveau des exons (features) ou des gènes (meta-features). Par contre, Il n’est pas possible d’obtenir les reads pour les transcrits, car il ne peut déterminer à quel transcrit les assigner.

Ce type d’analyse est considérablement plus complexe. Pour ce faire, il faut utiliser un pipeline spécifique basé sur l’aligneur Salmon, qui permet d’assigner les reads aux transcrits sur une base de probabilité.

Voir la documentation pour l’aligneur Salmon: https://salmon.readthedocs.io/en/latest/salmon.html.

Nous avons différentes tailles de libraires, des biais de séquences dus à la PCR, ou un contenu RNA qui peut différer en échantillons. Il est donc nécessaire d’appliquer une normalisation pour rendre les échantillons comparables.

Méthode la plus utilisée: RPKM: Reads Per Kilobase per Million. Soir une valeur de comptage \(read(G)\) pouor un gène:

• On divise la taille de la librairie par \(10^6\). Cela nous donne le facteur par million.
• On divise la valeur de comptage \(read(G)\) par ce facteur pour obtenir des reads per millions (RPM).
• On divise la valeur RPM par la longueur du gène en Kilobases, pour obtenir des RPKM.

\(RPKM(G) = \frac{[\sum read(G)]}{[\sum Read].longueur(G)}.{10}^{6}.{10}^{3}\)

Variante: FPKM pour le Paired-end. Dans ce cas, deux reads peuvent appartenir au même fragment et ne sont pas comptés 2 fois.

Méthode TPM: Transcripts Per Million

C’est une variante sur la méthode RPKM mais l’ordre des opérations change:

• On divise la valeur de comptage \(read(G)\) par la longueur du gène en Kilobases, pour obtenir des reads per kilobase (RPK).
• On somme les RPK pour l’échantillon et on divise par \(10^6\). Cela nous donne le facteur par million.
• On divise la valeur RPK par ce facteur pour obtenir des reads per millions (RPM).

\(RPK = \frac{\sum read(G)}{longueur(G)}.10^3\) (Read Per Kilobase)

\(TPM = \frac{RPK(G)}{\sum RPK}.10^6\)

Méthode meilleure pour la comparaison d’échantillons car la somme totale des TPM est identique pour tous les échantillons.

Il faut voir une expérience RNA-seq comme un échantillonnage de l’espace des transcrits par la librairie.

Une expérimentation RNA-seq donne donc la proportion des transcrits pour une taille de librairie donnée.

Si un gène est fortement exprimé dans un échantillon et peu exprimé dans l’autre, on aura une augmentation artificielle de l’expression de l’ensemble des gènes (!).

TMM - Trimmed mean of M-values. C’est l’une des normalisations recommandées qui permet d’éviter l’effet des gènes fortement ou faiblement exprimés (Robinson & Oshlack. A scaling normalization method for differential expression analysis of RNA-seq data. Genome Biology volume 11, Article number: R25, 2010).

Au lieu de faire une mise à l’échelle propre à une librairie, un facteur de normalisation global est calculé en assumant que la majorité des gènes n’est pas différentiellement exprimée et en ne tenant pas compte des valeurs extrêmes de comptages.

Ce facteur est calculé à partir de l’abondance relative de l’expression de chaque échantillon, soit un fold change global (Ce que l’on appelle les M-Values).

Un échantillon est choisi comme référence. L’abondance relative moyenne est calculée en “trimmant” les distributions de logFC (d’où le Trimmmed Mean), ce qui donne un facteur correctif pour chaque échantillon.

Il est calculable par le package d’analyse edgeR sous R/Bioconductor.

Autre normalisation: celle proposée par DESeq2.

Dillies et al. A comprehensive evaluation of normalization methods for Illumina high-throughput RNA sequencing data analysis. Brief Bioinform . 2013 Nov;14(6):671-83.

La Normalisation type TMM ou autre n’est nécessaire que pour la visualisation ou l’exploration globale des données de comptage (par exemple sous forme de carte de chaleur (heatmap)).

Les logiciels d’analyse différentielles (edgeR et DESeq2) ont leur propre normalisation intégrée à la méthode et il n’y a pas besoin d’appliquer de normalisation aux comptages avant un appel à l’une de ces méthodes.

Comparaison de la taille de librairies

Comparaison des distributions avant normalisation TMM

Comparaison des distributions après normalisation TMM

Comparaison des distributions avant normalisation TMM

Comparaison des distributions après normalisation TMM

L’objectif est d’établir quels sont les gènes différentiellement exprimés entre plusieurs conditions expérimentales, par exemple, un contrôle et un traitement. C’est une analyse supervisée.

Pour cela, un test statistique est utilisé. Rappel: un test statistique est la vérification d’une hypothèse nulle H0.

Exemple d’une Hypothèse nulle: Les niveaux d’expression d’un gène en contrôle et traitement sont égaux. p-valeur: probabilité d’obtenir la même valeur du test ou plus extrême si l’hypothèse nulle était vraie.

Exemple d’un design expérimental:

Dans cet exemple, nous cherchons à établir la liste des gènes différentiellement exprimés entre un contrôle (non traité) et des cellules traitées.

edgeR est un logiciel spécialement conçu pour l’analyse différentielle d’expression à partir de données obtenues par RNA-seq.

edgeR implémente de nouvelles méthodes statistiques basées sur les distributions binomiales négatives.

Cela le rend adapté aux analyses

• avec de nombreux facteur expérimentaux
• avec de petites tailles d’échantillons.

Robinson, MD. et al . (2010) edgeR: a Bioconductor package for differential expression analysis of digital gene expression data, Bioinformatics, 26 (1) 139-140.

Objectif: Modéliser l’expression de chaque gène comme une combinaison linéaire de facteurs multiples. Cela permet de tenir compte de plusieurs facteurs, tels que le groupe expérimental, le lot (effet batch), etc…

\(y = a + b.group + c. patient + d.lot + e\)

• \(y\) = Expression du gène.
• \(a\), \(b\), \(c\) et \(d\) = paramètres du modèle à estimer
• \(a\) = intercept (valeur quand tous les paramètres sont à un niveau de référence)
• \(e\) = terme d’erreur

edgeR modèle les données en utilisant une distribution binomiale négative.

• Comparaison entre 2 groupes sur un facteur unique: test Simple
• Comparaisons avec plusieurs facteurs : Utilisation des GLMs.

Avant une analyse différentielle, il est important d’estimer les niveaux de variation d’expression des transcrits intra-groupes.

• \(Dispersion = BCV^2\)

• BCV= Biological Coefficient of Variation

Exemple: si l’expression d’un transcrit change de 20% entre réplicats, son BCV est de 0.2 et sa dispersion de 0.4.

Problème des tests multiples: Dans le cas d’un très grand nombre de tests, le nombre de faux positifs peut devenir très grand.

Il est donc nécessaire d’ajuster l’ensemble des p-valeurs par une correction pour tests multiples.

• Correction de Bonferroni: on divise les p-valeurs obtenues par le nombre de tests (très stringeant)

• Benjamini-Hotchberg: On contrôle la proportion attendue de faux positifs parmis les positifs: (False Discovery Rate)

L’idée est de contrôler la proportion de faux positifs parmis les positifs.

Pour cela, on transforme les p-valeurs de cette manière:

D’abord on trie les p-valeurs par valeur croissante.

Ensuite, on applique une transformation comme suit:

• La p-valeur la plus large n’est pas corrigée
• la seconde \(p=(p . n).(n-1)\)
• la troisième \(p=(p . n).(n-2)\) …
• la plus petite: \(p=(p . n).(n-n+1)=p.n\)

La p-valeur ajustée est le FDR.

MA-Plot: log(Ratio) vs average

• Appelé également Heatmap
• Normalisation par ligne ou globale pour l’affichage (Standardisation)
• Représentation d’une matrice de manière graphique, chaque valeur étant représentée par une cellule colorée.
• Les colonnes ou les lignes peuvent être ordonnée de plusieurs façons, soit manuellement, soit par une méthode de type clustering.

Lorsque l’on utilise un programme de modélisation statistique pour extraire les gènes différentiellement exprimés, on va s’intéresser prioritairement aux gènes ayant la p-valeur la plus basse. Or, il s’avère que des gènes faiblement différentiellement exprimés peuvent être associée à une faible p-valeur si leur expression est caractérisée par une faible variance intra-groupes.

Il est donc important de considérer à la fois les gènes ayant une faible p-value et pour lesquelles on obtient un effet biologique intéressant, c’est à dire un logFC élevé.

Un diagramme en volcan est un nuage de point combinant l’effet statistique sur l’axe des ordonnées (p-valeur) et l’effet biologique (logFC) sur l’axe des abscisses.

Il est souvent représenté avec les seuils sur le logFC et de p-valeur utilisés pour sélectionner les gènes.

• Seuil utilisé: \(LogFC=1.5, pval=10^{-3}\)

• Seuil utilisé: \(LogFC=2.0, pval=10^{-5}\)

• Fichiers de séquences brutes: .Fastq (Compressé: .Fastq.gz)
• Fichiers de séquences alignées .bam
• Index de fichiers de séquences alignées: .bai
• Génome complet au format FASTA: .fa
• Fichier d’annotation de génome: .gtf/.gff
• Fichier d’expression: Délimité par des tabulations: .txt, .tdf ou .csv.

• Contrôle Qualité (FASTQC)

• Trimming (Trimmomatic)

• Alignement sur le génome de référence (TopHat (Spécifique RNA-seq), SubRead (Générique), STAR (Spécifique RNA-seq))

  ou

• Alignement sur transcriptome de référence(Salmon)

• Comptage (FeatureCount)

• Analyse différentielle (edgeR ou DESeq)

• Visualisation des données (Morpheus, Bioconductor)

• Analyse des données (Gene Set Enrichment Analysis)

• Il faut des réplicats biologiques (!)

• La normalisation est nécessaire pour comparer l’expression entre échantillons

  • Différentes tailles de librairies

  • Biais de séquences

• Les programmes d’analyse d’expression différentielles (edgeR, DESeq2) ont besoin des comptages bruts (Pas les RPKM ou autre)

• Il faut corriger pour les tests multiples.

• Il existe une normalisation sur les données analysées (les comptages), appelée RPKM, TMM, ou autre…

• Il existe également une “normalisation” qui consiste à faire une standardisation de l’affichage des heatmaps (affichage centré-réduit par ligne sous forme de z-score).

Après avoir identifié une liste de gènes, nous cherchons à obtenir la fonction biologique des gènes présents dans cette liste.

Deux manières de procéder:

• Parcourir la liste et faire une recherche dans la littérature…
• Utiliser les annotations des gènes pour trouver les fonctions moléculaires ou pathways représentés par ces gènes: -> Faire une Analyse d’enrichissement fonctionnelle.

Elles sont basées sur deux composantes:

• Elles utilisent une Ontologie (vocabulaire contrôlé et stable mis en place par le Gene Ontology Consortium ou autre (Kyoto Encyclopedia of Genes and Genomes, KEGG)).
• D’où l’utilisation fréquente du raccourci (Enrichissement GO)
• Elles sont basées sur un Enrichissement Fonctionnel associé à une validation statistique par Test Hypergéométrique.

Une ontologie est l’ensemble structuré des termes et concepts représentant le sens d’un champ d’informations, que ce soit par les métadonnées d’un espace de noms, ou les éléments d’un domaine de connaissances.

Application au génome: Gene Ontology (Gene Ontology Consortiumhttp://www.amigo.org). 3 ontologies ont été définies.

• Biological Process
• Cellular Component
• Molecular Function

RPL35A

• GO:0000049 - tRNA binding
• GO:0000184 - nuclear-transcribed mRNA catabolic process, nonsense-mediated decay
• GO:0003735 - structural constituent of ribosome
• GO:0005829 – cytosol
• GO:0006364 - rRNA processing
• …

Annotations par un vocabulaire contrôlé.

Une catégorie de gènes regroupe n gènes sur le total de N présents sur la puce. La fréquence de départ de cette catégorie est F = n/N.

Ayant obtenus k gènes significativement exprimés ou sous-exprimés, dont p appartiennent à la catégorie C, la fréquence de la catégorie C dans ces gènes est f = k/p.

L’enrichissement est défini comme f/F.

Le test d’enrichissement doit répondre à la question: L’enrichissement est-il statistiquement significatif par rapport à un tirage au hasard? On le fait par Test hypergéométrique.